一個畫面，一顆按鈕 — Lê Xuân Lộc

小時候，我在香港走丟過。我不會說當地的話。

後來幾次出國，去中國，也去其他我不懂當地語言的國家，都沒辦法用行動網路。每一次我想要的都是同一樣東西：一個不用連線的翻譯工具，讓我聽得懂別人，也能和他們說話。

Knowless 就是我自己試著做的版本。它直接在手機上，把語音即時轉成逐字稿和譯文。我設計了它，再用 AI 輔助的工具開發出來。¹這大概是我做過最簡單的 App：一個畫面，一顆按鈕。要簡單到這個程度，我走錯了三次路。

第一次嘗試：雷達

第一版是一個隨時都在聽的雷達。我想像它光靠聲音，就能判斷說話的人在哪裡。

沒多久我就知道它辦不到。我的手機錄下來的聲音不含空間音訊，所以錄音裡看不出聲音是從哪裡來的。就我看到的資料，比較新的機型也許可以。我沒有那種手機。我就不再試著用聲音來做了。

所以我改用眼睛，不用耳朵。前後鏡頭同時開著，找正在說話的那張臉，讓 App 知道那個人在哪裡。

這次做出了一個能在我手機上跑的版本，所有東西都在裝置上，沒有伺服器：它同時看兩顆鏡頭，試著把每個聲音對到一張臉。它敗在最要緊的地方。手機發燙。電量掉得很快。常常當機。這條路我也放棄了。

有些決定比較小，卻一樣重要。理論上，在吵雜的地方做降噪聽起來很合理。後來我用自己的耳朵聽了一段很吵的錄音。連我自己在說什麼都聽不出來。降噪做得再多也救不回來，所以我放棄了這個點子。

這就是我說的「human in the loop」。我用 AI 開發，同時得一直確認，我要求的東西在真實情境裡合不合理。做決定這件事極為重要。

模型也是一樣。我一個一個測，花了很久。一開始，模型下載到手機上，App 算起來會有 4 GB 左右。第一個原型還會保留對話紀錄。為了及時上架、趕上 Shipaton，我把它砍了，還是差點錯過截止時間。

我聽不出來的，濾波器也聽不出來

一個畫面，一顆按鈕。按下去，說話，翻譯。

譯文那一行很大。原文緊貼在它下面：比較小，灰色，斜體。

字放大之後，這個排法不變。用兩指縮放，文字大小可以從 50% 調到 300%。要聽哪些語言得事先選好，最多三種。你還可以把一行字帶走：複製，或讓它唸出來。

一個很小的功能，做起來卻極為複雜：字要怎麼出現。

看起來像是聲音變成文字，文字再出現在畫面上。其實不是。聲音先變成一個猜測，這個猜測立刻顯示在畫面上，所以才有即時的感覺。接著修正這個猜測，如果修正後不一樣，畫面就跟著改。一句長句說完，還會再跑一輪，用整句的上下文再修正一次。

每一個狀態看起來都要對，中間等待的樣子也一樣。還在進來的那一行，畫成跟在琥珀色游標後面、不斷變換的符號。定下來的那一行就是一般文字，不會動。

我在 App 和設計稿之間來來回回，花了兩天多。我一開始就知道，我要它用起來很直覺，也相信大家感覺得到。我沒料到會花這麼久。

有些東西不該在那裡。不是每個人都會注意到。

語音辨識和翻譯都在手機上運作。語言要先連線下載一次；之後核心功能不用連線也能用。所以我準備的 App Store 截圖寫著「works offline」，並且一口氣把條件也講完：下載支援的語言之後。

這裡沒有成效數據：沒有理解度分數，沒有易用性研究，沒有使用人數。我能給你看的，是走過的路，和它最後走到哪裡。

下一步，我想做到兩個人各拿一支手機，即時互相翻譯。這個還沒做。